검색
검색
공개 노트 검색
회원가입로그인

AI for Oceans, 해양 생태계 보존을 위한 5가지 혁신 기술

요약
  • 해양은 기후 조절, 산소 생산, 생물 서식지 제공 등 중요한 역할을 하며, 인공지능(AI) 기술이 해양 생태계 보존에 기여할 수 있다.

  • AI 기반 해양 음향 모니터링, 위성 및 드론 영상 분석, 지능형 자율 수중 로봇, 지속 가능한 어업 관리 시스템, 기후 변화 대응 등 다양한 사례가 있다.

  • 각 기술의 작동 원리, 실제 적용 사례, 미래 전망이 소개되어 있으며, AI 기술이 해양 보호에 혁신적인 변화를 가져올 것으로 기대된다.

해양은 지구 표면의 70% 이상을 덮고 있으며, 지구 생명의 근간을 이루는 매우 중요한 존재입니다. 지구 산소의 절반 이상을 생산하며, 기후를 조절하고, 수많은 생물들에게 서식처를 제공하는 해양은 인류에게도 막대한 식량과 자원을 제공하는 보고(寶庫)입니다 [1]. 그러나 이러한 해양 생태계는 현재 심각한 위협에 직면해 있습니다. 기후 변화, 해양 오염, 남획 등으로 인해 해양 생태계는 파괴되고 있으며, 이는 곧 인류의 생존에도 심각한 영향을 미칠 수 있다는 경고가 끊임없이 제기되고 있습니다 [2].

이러한 위기에 대응하기 위해 전 세계적으로 해양 생태계 보존을 위한 다양한 노력이 이루어지고 있습니다. 그 중에서도 인공지능(AI) 기술은 해양 생태계 보존 분야에 혁신적인 변화를 가져올 잠재력을 지닌 핵심 기술로 주목받고 있습니다. AI는 방대한 해양 데이터를 분석하고, 인간의 능력을 뛰어넘는 예측 및 의사 결정을 지원함으로써 해양 생태계 보존의 효율성과 효과성을 획기적으로 높일 수 있습니다. 이번 글에서는 AI 기술이 해양 생태계 보존에 어떻게 기여할 수 있는지, 그리고 어떤 혁신적인 기술들이 개발 및 활용되고 있는지에 대해 5가지 주요 사례를 중심으로 심층적으로 살펴보겠습니다. 각 기술의 작동 원리, 실제 적용 사례, 그리고 미래 전망까지 자세히 다룸으로써, AI가 해양 생태계 보존에 가져올 긍정적인 변화를 더욱 구체적으로 이해하는 데 도움이 될 것입니다.

AI 기반 해양 음향 모니터링: 수중 세계의 숨겨진 목소리를 듣다

해양 음향 모니터링은 수중 환경에서 발생하는 다양한 소리를 감지하고 분석하여 해양 생태계를 이해하는 데 매우 중요한 기술입니다 [3]. 과거에는 사람이 직접 수중 청음 장비를 사용하여 소리를 듣고 분석하는 방식이 주를 이루었지만, 이는 시간과 노력이 많이 소요될 뿐만 아니라, 방대한 양의 데이터를 효율적으로 처리하는 데 한계가 있었습니다. 하지만 AI 기술의 발전은 해양 음향 모니터링 분야에 혁신적인 변화를 가져왔습니다. AI, 특히 머신러닝 알고리즘은 수중 음향 데이터를 자동으로 분석하고, 소음 속에서 유의미한 정보를 추출하는 능력이 뛰어나, 해양 생태계 연구 및 보존에 새로운 가능성을 열어주고 있습니다 [4].

AI 기반 해양 음향 모니터링 시스템은 크게 두 가지 핵심 요소로 구성됩니다. 첫째는 수중 음향 센서 네트워크입니다. 이 네트워크는 해양 곳곳에 설치된 수중 마이크로폰(하이드로폰)으로 구성되며, 실시간으로 수중 소리를 수집합니다. 둘째는 AI 기반 데이터 분석 시스템입니다. 이 시스템은 수집된 방대한 음향 데이터를 머신러닝 알고리즘을 통해 분석하고, 해양 생물의 소리, 선박 소음, 자연 현상 소리 등 다양한 음향 정보를 분류하고 식별합니다 [5]. 특히, 딥러닝 기술은 복잡하고 다양한 수중 음향 데이터에서 특징을 추출하고 패턴을 학습하는 데 매우 효과적이며, 이를 통해 고래, 돌고래, 물개 등 해양 포유류의 종 식별 및 개체 수 추정, 물고기 떼의 이동 경로 파악, 선박 소음 분포 및 해양 환경 소음 수준 평가 등 다양한 분석이 가능합니다 [6].

실제로 AI 기반 해양 음향 모니터링 기술은 다양한 해양 생태계 연구 및 보존 분야에서 활발하게 활용되고 있습니다. 예를 들어, 미국 국립해양대기청(NOAA)은 AI 기반 음향 모니터링 시스템을 구축하여 북극고래의 분포 및 이동 경로를 실시간으로 추적하고 있습니다 [7]. 북극고래는 기후 변화와 선박 통행 증가로 인해 서식지 파괴 및 소음 공해에 직면해 있으며, AI 기반 모니터링 시스템은 북극고래 보호를 위한 효과적인 관리 전략 수립에 중요한 정보를 제공합니다. 또한, 캐나다 해양네트워크(Ocean Networks Canada)벤쿠버 해안과 태평양, 북극해에 광범위한 해저 관측 네트워크를 구축하고, AI 기반 음향 분석 기술을 활용하여 범고래의 울음소리를 실시간으로 감지하고, 범고래의 서식 환경 및 행동 패턴을 연구하고 있습니다 [8]. 이를 통해 범고래의 생태를 더욱 깊이 이해하고, 선박 통행 규제, 소음 저감 기술 개발 등 범고래 보호를 위한 실질적인 정책 마련에 기여하고 있습니다.

뿐만 아니라, AI 기반 음향 모니터링은 불법 어업 감시에도 활용될 수 있습니다. 어선에서 발생하는 특유의 소리를 AI가 학습하면, 광범위한 해역에서 불법 어업 활동을 실시간으로 감지할 수 있습니다. 글로벌 피싱 워치(Global Fishing Watch)는 위성 데이터와 AI 기술을 결합하여 불법 어업 감시 시스템을 개발하고 있으며, 향후 음향 모니터링 데이터와 결합하여 불법 어업 감시의 정확성과 효율성을 더욱 높일 계획입니다 [9]. 이처럼 AI 기반 해양 음향 모니터링 기술은 해양 생태계 연구뿐만 아니라, 해양 자원 관리 및 해양 환경 보호에도 광범위하게 활용될 수 있는 매우 유망한 기술입니다. 앞으로 센서 기술, 통신 기술, AI 알고리즘이 더욱 발전함에 따라, AI 기반 해양 음향 모니터링 시스템은 더욱 정교해지고, 해양 생태계 보존에 더욱 큰 기여를 할 것으로 기대됩니다.

위성 및 드론 영상 분석 AI: 바다의 광활한 영역을 한눈에 담다

위성 및 드론 영상은 넓은 해양 영역을 효율적으로 관측할 수 있는 강력한 도구이며, AI 기술은 이러한 영상 데이터를 분석하여 해양 환경 변화를 감지하고 해양 생태계를 모니터링하는 데 혁신적인 솔루션을 제공합니다 [10]. 과거에는 위성 및 드론 영상을 사람이 직접 분석해야 했기 때문에 시간과 노력이 많이 소요되었고, 분석 결과의 객관성 확보에도 어려움이 있었습니다. 하지만 AI, 특히 컴퓨터 비전 기술의 발전은 영상 분석의 자동화 및 정확도 향상을 가능하게 했으며, 이를 통해 해양 오염, 해양 생물 서식지 변화, 기후 변화 영향 등 다양한 해양 환경 문제를 효과적으로 감시하고 대응할 수 있게 되었습니다 [11].

AI 기반 위성 및 드론 영상 분석 시스템은 크게 영상 데이터 수집, 데이터 전처리, AI 모델 학습 및 추론, 분석 결과 시각화 및 활용 단계로 구성됩니다. 먼저, 위성 또는 드론에 탑재된 카메라를 이용하여 해양 영상을 촬영합니다. 위성은 넓은 영역을 주기적으로 관측할 수 있다는 장점이 있고, 드론은 고해상도 영상을 필요에 따라 유연하게 획득할 수 있다는 장점이 있습니다. 수집된 영상 데이터는 노이즈 제거, 기하 보정, 방사 보정 등 전처리 과정을 거쳐 AI 모델 학습에 적합한 형태로 변환됩니다. 다음으로, 사전 학습된 AI 모델 또는 새롭게 학습시킨 AI 모델을 이용하여 영상 속 객체(예: 해양 쓰레기, 선박, 해양 생물 등)를 탐지하고, 해양 환경 변화를 분석합니다. 딥러닝 기반 객체 탐지 모델 (예: YOLO, Faster R-CNN, Mask R-CNN) 은 위성 및 드론 영상에서 특정 객체를 정확하게 탐지하는 데 매우 효과적이며, 시계열 영상 분석 기법은 해양 환경 변화의 추세를 파악하고 미래를 예측하는 데 활용될 수 있습니다 [12]. 마지막으로, AI 분석 결과는 지도, 그래프, 보고서 등 다양한 형태로 시각화되어 사용자에게 제공되며, 해양 정책 결정, 해양 환경 관리, 해양 과학 연구 등 다양한 분야에서 활용될 수 있습니다.

실제로 AI 기반 위성 및 드론 영상 분석 기술은 다양한 해양 환경 문제 해결에 기여하고 있습니다. 해양 플라스틱 오염 문제는 심각한 환경 문제 중 하나이며, AI는 위성 및 드론 영상 분석을 통해 해양 플라스틱 쓰레기 분포를 파악하고, 플라스틱 쓰레기 발생원을 추적하는 데 활용될 수 있습니다. 플리머스 해양 연구소(Plymouth Marine Laboratory) 연구진은 유럽우주국(ESA) 센티넬-2 위성 영상AI 딥러닝 모델을 이용하여 유럽 해안의 플라스틱 쓰레기 축적 지역을 지도화하는 연구를 수행했습니다 [13]. 연구 결과, AI 모델은 위성 영상에서 플라스틱 쓰레기를 높은 정확도로 탐지했으며, 해안선, 강 하구, 항구 주변에 플라스틱 쓰레기가 집중적으로 분포하는 것을 확인했습니다. 이러한 연구 결과는 해양 플라스틱 오염 방지를 위한 정책 수립 및 쓰레기 수거 활동 계획 수립에 중요한 기초 자료를 제공합니다.

또한, AI 기반 영상 분석은 맹그로브 숲, 산호초, 해초류 서식지 등 중요한 해양 생태계 모니터링에도 활용됩니다. 열대 및 아열대 지역의 해안가에 서식하는 맹그로브 숲탄소 흡수 능력이 뛰어나 기후 변화 완화에 기여하고, 다양한 해양 생물에게 서식처를 제공하는 중요한 생태계입니다 [14]. 그러나 맹그로브 숲은 도시 개발, 양식업 확장 등으로 인해 지속적으로 파괴되고 있으며, AI 기반 위성 영상 분석은 맹그로브 숲 면적 변화를 감지하고, 맹그로브 숲 파괴 지역을 모니터링하며, 맹그로브 숲 복원 활동 효과를 평가하는 데 활용될 수 있습니다. 호주 퀸즐랜드 대학교 연구진은 구글 어스 엔진(Google Earth Engine) 플랫폼AI 기반 영상 분류 알고리즘을 이용하여 호주 맹그로브 숲의 장기적인 변화를 분석하고, 맹그로브 숲 손실의 주요 원인을 규명하는 연구를 수행했습니다 [15]. 연구 결과, AI 모델은 맹그로브 숲과 비-맹그로브 지역을 높은 정확도로 분류했으며, 기후 변화, 해수면 상승, 인간 활동 등이 맹그로브 숲 변화에 복합적으로 영향을 미치는 것을 확인했습니다. 이러한 연구 결과는 맹그로브 숲 보존 및 관리 정책 수립에 중요한 정보를 제공합니다.

더 나아가, AI 기반 드론 영상 분석은 해양 포유류, 해양 조류 등 해양 생물 개체 수 조사 및 행동 패턴 분석에도 활용될 수 있습니다. 드론은 저고도에서 고해상도 영상을 촬영할 수 있기 때문에, 해양 생물을 더 자세하게 관찰하고, 개체 식별, 건강 상태 평가, 이동 경로 추적 등 다양한 정보를 얻을 수 있습니다. 미국 듀크 대학교 연구진은 드론 영상AI 기반 객체 탐지 모델을 이용하여 해안가에 서식하는 물개의 개체 수를 자동으로 계수하는 연구를 수행했습니다 [16]. 연구 결과, AI 모델은 드론 영상에서 물개를 높은 정확도로 탐지하고 계수했으며, 사람이 직접 영상을 분석하는 것보다 시간과 노력을 크게 절약할 수 있었습니다. 이러한 연구 결과는 해양 생물 보호 구역 설정, 해양 생물 서식지 관리 등 해양 생물 보존 정책 수립에 기여할 수 있습니다. 이처럼 AI 기반 위성 및 드론 영상 분석 기술은 해양 환경 모니터링 및 해양 생태계 연구 분야에서 매우 강력한 도구이며, 앞으로 기술 발전에 따라 더욱 다양한 분야에서 활용될 것으로 기대됩니다.

지능형 자율 수중 로봇: 심해 탐험과 해양 데이터 수집의 혁신

심해는 지구 표면의 대부분을 차지하는 미지의 영역이며, 아직까지 인간의 탐사가 제대로 이루어지지 않은 곳입니다. 심해는 독특한 생태계를 가지고 있으며, 새로운 생물 종과 유용한 자원의 보고일 가능성이 높습니다 [17]. 하지만 심해는 높은 수압, 낮은 수온, 어둠 등 극한 환경으로 인해 인간이 직접 탐사하기 어렵고, 기존의 유인 잠수정이나 원격 조종 수중 로봇(ROV)은 운용 비용이 비싸고, 탐사 범위가 제한적이라는 단점이 있습니다. 이러한 한계를 극복하고 심해 탐사의 효율성과 접근성을 획기적으로 높일 수 있는 기술이 바로 지능형 자율 수중 로봇(AUV: Autonomous Underwater Vehicle) 입니다. AUV는 자체적으로 판단하고 움직일 수 있는 로봇으로, 미리 입력된 프로그램에 따라 자율적으로 심해를 탐사하고, 다양한 데이터를 수집할 수 있습니다 [18]. AI 기술은 AUV의 자율성을 더욱 향상시키고, 심해 탐사의 효율성과 효과성을 극대화하는 데 핵심적인 역할을 합니다.

AI 기반 자율 수중 로봇은 크게 자율 항법 시스템, 지능형 데이터 수집 시스템, 실시간 통신 시스템으로 구성됩니다. 자율 항법 시스템은 AUV가 GPS, 관성 센서, 음향 센서 등을 이용하여 자신의 위치를 파악하고, 미리 설정된 경로를 따라 자율적으로 이동할 수 있도록 합니다. AI, 특히 강화 학습 알고리즘은 AUV가 복잡하고 변화무쌍한 심해 환경에서 최적의 경로를 탐색하고, 장애물을 회피하며, 에너지를 효율적으로 관리할 수 있도록 돕습니다 [19]. 지능형 데이터 수집 시스템은 AUV에 탑재된 다양한 센서 (예: 수온 센서, 염분 센서, 용존 산소 센서, 카메라, 음향 센서 등)를 이용하여 심해 환경 데이터, 해양 생물 데이터, 해저 지형 데이터 등 다양한 데이터를 수집합니다. AI, 특히 머신러닝 기반 데이터 분석 기술은 수집된 방대한 데이터를 실시간으로 분석하고, 특이점을 감지하며, 중요한 정보를 추출하여 AUV가 필요한 데이터를 선택적으로 수집하고, 탐사 효율성을 높일 수 있도록 합니다 [20]. 실시간 통신 시스템은 AUV와 지상 관제 센터 간의 통신을 가능하게 합니다. 음향 통신, 위성 통신 등을 이용하여 AUV의 상태를 모니터링하고, 새로운 명령을 전송하며, 수집된 데이터를 실시간으로 전송할 수 있습니다. AI는 통신 환경이 열악한 심해 환경에서 통신 효율성을 높이고, 데이터 손실을 최소화하는 데 기여합니다.

실제로 AI 기반 자율 수중 로봇은 다양한 심해 탐사 및 해양 연구 분야에서 활발하게 활용되고 있습니다. 미국 우즈홀 해양 연구소(Woods Hole Oceanographic Institution)심해 탐사용 AUV 'Nereus' 를 개발하여 마리아나 해구 챌린저 해연 탐사에 성공했습니다 [21]. Nereus는 AI 기반 자율 항법 시스템을 통해 수심 11,000m 이상의 극한 환경에서 자율적으로 탐사를 수행했으며, 심해 생물 사진 및 영상, 수온, 염분 등 다양한 데이터를 수집했습니다. Nereus의 탐사 성공은 AI 기반 AUV가 심해 탐사의 새로운 가능성을 열었음을 보여주는 중요한 사례입니다. 또한, 영국 국립해양센터(National Oceanography Centre)장거리 자율 수중 로봇 'Autosub Long Range' 를 개발하여 남극 빙저호 탐사에 성공했습니다 [22]. Autosub Long Range는 AI 기반 에너지 관리 시스템을 통해 수천 km를 자율적으로 항해하고, 수개월 동안 심해에서 데이터를 수집할 수 있으며, 빙저호의 수온, 염분, 용존 산소, 생물 다양성 등 다양한 정보를 밝혀내는 데 기여했습니다. Autosub Long Range의 성공은 AI 기반 AUV가 장기간 심해 탐사 및 광범위한 해양 데이터 수집에 매우 효과적임을 입증했습니다.

더 나아가, AI 기반 AUV는 해양 자원 탐사, 해저 케이블 및 파이프라인 점검, 해양 환경 모니터링 등 다양한 분야에서 활용될 수 있습니다. 노르웨이 스타토일(Statoil, 현재 Equinor)AI 기반 AUV 'Sperm Whale' 을 개발하여 해저 석유 및 가스 파이프라인 점검에 활용하고 있습니다 [23]. Sperm Whale은 AI 기반 영상 분석 시스템을 통해 파이프라인의 손상 여부를 자동으로 감지하고, 점검 효율성을 높이고, 안전 사고 위험을 줄이는 데 기여합니다. 또한, 미국 해양대기청(NOAA)AI 기반 AUV 'Wave Glider' 를 개발하여 해양 산성화, 해양 열파 등 해양 환경 변화를 실시간으로 모니터링하고 있습니다 [24]. Wave Glider는 파도 에너지를 동력으로 활용하여 장기간 해양을 이동하며 데이터를 수집할 수 있으며, 해양 환경 변화 예측 및 대응에 중요한 정보를 제공합니다. 이처럼 AI 기반 자율 수중 로봇은 심해 탐사뿐만 아니라, 다양한 해양 분야에서 혁신적인 변화를 가져올 잠재력을 지니고 있으며, 앞으로 기술 발전에 따라 활용 범위가 더욱 확대될 것으로 기대됩니다.

AI 기반 지속 가능한 어업 관리 시스템: 풍요로운 바다를 미래 세대에게

남획은 해양 생태계를 파괴하고, 어족 자원을 고갈시키는 심각한 문제입니다. 지속 가능한 어업 관리는 건강한 해양 생태계를 유지하고, 미래 세대에게도 풍요로운 바다를 물려주기 위해 반드시 필요합니다 [25]. 전통적인 어업 관리 방식은 어획량 통제, 어구 규제, 금어기 설정 등 규제 중심이었지만, 데이터 부족, 관리 인력 부족, 불법 어업 문제 등으로 인해 효과를 거두는 데 한계가 있었습니다. AI 기술은 어업 관리 방식에 혁신적인 변화를 가져올 수 있는 잠재력을 지니고 있습니다. AI는 방대한 어업 데이터, 해양 환경 데이터, 시장 데이터 등을 분석하고, 어족 자원 변동 예측, 불법 어업 감시, 어획량 최적화 등 다양한 기능을 수행함으로써 지속 가능한 어업 관리를 위한 효과적인 솔루션을 제공할 수 있습니다 [26].

AI 기반 지속 가능한 어업 관리 시스템은 크게 어족 자원 평가 및 예측 시스템, 불법 어업 감시 시스템, 스마트 어업 시스템으로 구성됩니다. 어족 자원 평가 및 예측 시스템은 과거 어획량 데이터, 어획 노력량 데이터, 해양 환경 데이터 (예: 수온, 염분, 플랑크톤 농도 등), 기후 데이터 등 다양한 데이터를 AI 머신러닝 모델로 학습하여 어족 자원 변동을 예측하고, 적정 어획량을 산출합니다. 시계열 예측 모델 (예: ARIMA, LSTM, Prophet) 은 어족 자원 변동 패턴을 학습하고 미래를 예측하는 데 효과적이며, 생태 모델과 결합하여 더욱 정확한 예측을 수행할 수 있습니다 [27]. 불법 어업 감시 시스템위성 데이터 (AIS, 위성 영상), 레이더 데이터, 음향 데이터, 드론 영상 등 다양한 데이터를 AI 기반 객체 탐지 및 이상 탐지 기술로 분석하여 불법 어업 의심 선박을 탐지하고, 불법 어업 활동을 실시간으로 감시합니다. 이상 탐지 알고리즘 (예: One-Class SVM, Isolation Forest) 은 정상적인 어선 활동 패턴과 불법 어업 의심 패턴을 학습하여 불법 어업 행위를 자동으로 감지하고 경고합니다 [28]. 스마트 어업 시스템은 AI 기술을 어업 현장에 직접 적용하여 어획 효율성을 높이고, 어획 비용을 절감하며, 환경 영향을 최소화하는 시스템입니다. 예를 들어, AI 기반 어군 탐지 시스템은 음향 데이터, 수온 데이터 등을 분석하여 어군 밀집 지역을 정확하게 예측하고 어선에 정보를 제공하여 불필요한 탐색 시간을 줄이고, 연료 소비를 절감할 수 있습니다. AI 기반 스마트 어구는 어획 대상 종만을 선택적으로 포획하고, 비대상 종(Bycatch) 혼획을 최소화하며, 해저 환경 파괴를 줄이는 데 기여할 수 있습니다 [29].

실제로 AI 기반 지속 가능한 어업 관리 시스템은 전 세계적으로 개발 및 적용 사례가 늘어나고 있습니다. 노르웨이 연구기관 신테프(SINTEF)AI 기반 어족 자원 평가 및 예측 시스템 'BlueFarm' 을 개발하여 노르웨이 연어 양식 산업에 적용하고 있습니다 [30]. BlueFarm은 수온, 염분, 용존 산소, 먹이 공급량, 질병 발생률 등 다양한 양식장 데이터를 AI 모델로 학습하여 연어 성장률, 질병 발생 위험, 생산량 등을 예측하고, 최적의 양식 환경 조성 및 생산 계획 수립을 지원합니다. BlueFarm 시스템은 연어 양식 생산성을 향상시키고, 질병 발생 및 폐사율을 줄이며, 환경 영향을 최소화하는 데 기여하고 있습니다. 또한, 영국 스타트업 사토리오(Satori)는 AI 기반 불법 어업 감시 시스템 'OceanMind' 를 개발하여 각국 정부 및 국제기구에 제공하고 있습니다 [31]. OceanMind는 위성 AIS 데이터, 위성 영상, 레이더 데이터 등을 AI 모델로 분석하여 불법 어업 의심 선박을 실시간으로 탐지하고, 과거 불법 어업 이력, 선박 움직임 패턴, 기상 조건 등을 종합적으로 분석하여 불법 어업 위험도를 평가하고, 단속 우선순위를 결정하는 데 활용됩니다. OceanMind 시스템은 불법 어업 단속 효율성을 높이고, 해양 자원 보호에 기여하고 있습니다.

더 나아가, AI 기반 스마트 어업 기술은 어업 현장의 생산성을 높이고, 어업인의 소득 증대를 도울 수 있습니다. 일본 IT 기업 NTT CommunicationsAI 기반 어군 탐지 시스템 'Fish Analyzer' 를 개발하여 일본 어업 협동조합에 제공하고 있습니다 [32]. Fish Analyzer는 과거 어획 데이터, 해양 관측 데이터, 기상 데이터 등을 AI 모델로 학습하여 어군 밀집 예상 지역, 어종, 예상 어획량 등을 어업인에게 실시간으로 제공합니다. Fish Analyzer 시스템은 어업인의 어획량 증대, 조업 시간 단축, 연료비 절감에 기여하고 있으며, 고령화, 인력 부족 등 어려움을 겪고 있는 일본 어촌 사회에 활력을 불어넣고 있습니다. 이처럼 AI 기반 지속 가능한 어업 관리 시스템은 해양 생태계 보존과 어업 경제 활성화라는 두 가지 목표를 동시에 달성할 수 있는 혁신적인 솔루션이며, 앞으로 더욱 발전하고 확산될 것으로 기대됩니다.

기후 변화 시대의 해양 보호 AI: 예측, 적응, 그리고 회복력 강화

기후 변화는 해양 생태계에 심각한 위협을 가하고 있습니다. 해수면 온도 상승, 해양 산성화, 해수면 상승, 해양 열파 등 다양한 기후 변화 현상은 해양 생물의 생존과 번식에 부정적인 영향을 미치고, 해양 생태계 구조와 기능 변화를 초래하고 있습니다 [33]. 기후 변화에 대한 효과적인 대응은 해양 생태계 보존을 위한 최우선 과제이며, AI 기술은 기후 변화 예측, 기후 변화 영향 평가, 기후 변화 적응 전략 수립 등 다양한 분야에서 중요한 역할을 할 수 있습니다 [34]. AI는 방대한 기후 데이터, 해양 데이터, 생태 데이터 등을 분석하고, 복잡한 기후 시스템 모델링, 미래 기후 변화 시나리오 예측, 해양 생태계 변화 예측 등을 수행함으로써 기후 변화 시대의 해양 보호를 위한 과학적 근거를 제공하고, 효과적인 정책 결정을 지원할 수 있습니다.

AI 기반 기후 변화 시대 해양 보호 시스템은 크게 기후 변화 예측 및 모델링 시스템, 기후 변화 영향 평가 시스템, 기후 변화 적응 및 회복력 강화 시스템으로 구성됩니다. 기후 변화 예측 및 모델링 시스템은 과거 기후 데이터, 해양 데이터, 대기 데이터, 육지 데이터 등 다양한 데이터를 AI 머신러닝 모델로 학습하여 미래 기후 변화 시나리오를 예측하고, 해수면 온도 상승, 해양 산성화, 해수면 상승, 해양 열파 등 다양한 기후 변화 현상을 예측합니다. 순환 신경망(RNN), 장단기 기억망(LSTM), Transformer 모델 등 딥러닝 기반 시계열 예측 모델은 복잡한 기후 시스템의 비선형적인 특성을 학습하고, 장기적인 기후 변화 추세를 예측하는 데 효과적입니다 [35]. 기후 변화 영향 평가 시스템은 예측된 기후 변화 시나리오를 기반으로 해양 생태계, 해양 생물, 연안 지역 등에 미치는 영향을 평가합니다. 생태 모델, 종 분포 모델, 취약성 평가 모델 등 다양한 AI 모델을 활용하여 기후 변화에 취약한 해양 생물 종 및 지역을 식별하고, 기후 변화로 인한 해양 생태계 서비스 변화를 예측하며, 기후 변화 적응 대책의 필요성을 정량적으로 평가합니다 [36]. 기후 변화 적응 및 회복력 강화 시스템은 기후 변화 영향 평가 결과를 기반으로 해양 보호 구역(MPA) 설정 및 관리 전략 최적화, 해양 생태계 복원 기술 개발, 연안 방재 시스템 구축 등 기후 변화 적응 및 해양 생태계 회복력 강화를 위한 다양한 전략을 수립하고 실행합니다. 최적화 알고리즘, 의사 결정 지원 시스템 등 AI 기술은 다양한 제약 조건과 목표를 고려하여 최적의 해양 보호 전략을 도출하고, 의사 결정 과정의 효율성과 투명성을 높이는 데 기여합니다 [37].

실제로 AI 기반 기후 변화 시대 해양 보호 시스템은 연구 개발 단계에서 실제 적용 단계로 나아가고 있습니다. 국제 연합(UN) 산하 기후 변화에 관한 정부간 협의체(IPCC)기후 변화 예측 모델링에 AI 기술을 적극적으로 활용하고 있습니다 [38]. IPCC는 AI 기반 기후 모델을 개발하여 과거 기후 데이터 패턴을 학습하고, 다양한 미래 온실가스 배출 시나리오에 따른 지구 온도 상승, 해수면 상승 등 기후 변화 예측 결과를 산출합니다. IPCC의 기후 변화 예측 결과는 전 세계적으로 기후 변화 정책 수립의 과학적 근거로 활용되고 있으며, AI 기술은 기후 변화 예측의 정확도와 신뢰도를 높이는 데 중요한 역할을 하고 있습니다. 또한, 미국 비영리 환경단체 자연보전협회(The Nature Conservancy)AI 기반 해양 보호 구역(MPA) 설계 시스템 'Marine Manager' 를 개발하여 해양 보호 구역 설정 및 관리 효율성을 높이는 데 활용하고 있습니다 [39]. Marine Manager는 해양 생물 서식지 분포 데이터, 해양 환경 데이터, 어업 활동 데이터, 기후 변화 예측 데이터 등을 AI 모델로 분석하여 생물 다양성 보존, 어업 생산성 유지, 기후 변화 적응 등 다양한 목표를 동시에 달성할 수 있는 최적의 해양 보호 구역 위치 및 크기를 추천하고, 해양 보호 구역 관리 전략 수립을 지원합니다. Marine Manager 시스템은 해양 보호 구역 설정 과정의 과학적 근거를 강화하고, 해양 생태계 보존 효과를 극대화하는 데 기여하고 있습니다.

더 나아가, AI 기반 해양 생태계 복원 기술 개발 연구도 활발하게 진행되고 있습니다. 호주 시드니 공과대학교(University of Technology Sydney) 연구진은 AI 기반 산호초 복원 로봇 'LarvalBot' 을 개발하여 파괴된 산호초 지역에 산호 유생을 효율적으로 살포하는 기술을 개발하고 있습니다 [40]. LarvalBot은 AI 기반 자율 항법 시스템을 통해 미리 설정된 경로를 따라 산호초 지역을 이동하며, 산호 유생 생존율을 높이는 최적의 조건으로 산호 유생을 살포합니다. LarvalBot 시스템은 기존의 수작업 방식보다 훨씬 효율적이고, 대규모 산호초 복원을 가능하게 할 것으로 기대됩니다. 이처럼 AI 기술은 기후 변화 예측부터 해양 생태계 복원까지 해양 보호 전반에 걸쳐 혁신적인 솔루션을 제공하고 있으며, 기후 변화 시대의 해양 생태계 보존을 위한 핵심 기술로 자리매김할 것으로 전망됩니다.

참고 문헌

[1] National Geographic. (n.d.). Ocean. Retrieved from https://www.nationalgeographic.org/encyclopedia/ocean/ [2] United Nations. (n.d.). Ocean Action: Protect marine and coastal ecosystems. Retrieved from https://www.un.org/sustainabledevelopment/oceans/ [3] Merchant, N. D., Blondel, P., Dakin, I. R., & Dorocic, M. (2020). Underwater noise monitoring for environmental management and maritime operations. Marine Pollution Bulletin, 152, 110926. [4] Stowell, D. (2023). Machine listening for ecological monitoring. Ecological Informatics, 75, 102118. [5] Parks, S. E., Clark, C. W., & Tyack, P. L. (2011). Passive acoustic monitoring for marine mammal conservation. Conservation Biology, 25(3), 550-561. [6] Mellinger, D. K., Moore, S. E., Stafford, K. M., & Munger, L. M. (2007). Spatio-temporal distribution of gray whale calls in the Bering Sea. Marine Mammal Science, 23(1), 32-48. [7] NOAA Fisheries. (n.d.). Passive Acoustic Monitoring. Retrieved from https://www.fisheries.noaa.gov/national/marine-mammal-protection/passive-acoustic-monitoring [8] Ocean Networks Canada. (n.d.). Listening to the Ocean. Retrieved from https://www.oceannetworks.ca/technology/listening-ocean [9] Global Fishing Watch. (n.d.). Technology. Retrieved from https://globalfishingwatch.org/our-technology/ [10] Miller, R. J., & Klonowski, W. (2016). Remote sensing of the marine environment. Optics and Lasers in Engineering, 87, 144-156. [11] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. [12] Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). Object detection with deep learning: A review. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212-3232. [13] Gonçalves, P., Marcos, M., & Patrício, D. (2020). Automatic detection of floating plastic debris in Sentinel-2 imagery using deep learning. Remote Sensing, 12(5), 735. [14] Alongi, D. M. (2002). Present state and future of mangroves forests globally. Environmental Conservation, 29(3), 331-349. [15] Hamilton, S. E., & Casey, D. (2016). Creation of a continuous global mangrove forest data set for 2000–2012 using Landsat data cubes. Remote Sensing, 8(9), 750. [16] Hodgson, A. J., Baylis, A. M. M., Mott, R., Herrod, A., & Clarke, R. H. (2017). Unmanned aerial vehicles for surveying marine wildlife: A case study of grey seals. Wildlife Research, 44(4), 300-307. [17] Ramirez-Llodra, E., Brandt, A., Danovaro, R., De Mol, B., Escobar, E., German, C. R., ... & Vanreusel, A. (2011). Deep, dark, and different: Exploring the abyssopelagic realm. Deep Sea Research Part II: Topical Studies in Oceanography, 58(1-2), 1-17. [18] Griffiths, G. (2003). Technology: Autonomous underwater vehicles. Science Progress, 86(3), 183-212. [19] Manley, J. E., & Kim, W. J. (2019). Deep reinforcement learning for autonomous underwater vehicle control. Ocean Engineering, 175, 41-54. [20] Bellingham, J. G., & Rajan, S. (2007). Underwater vehicles for oceanography. In Encyclopedia of ocean sciences (pp. 5941-5951). Academic Press. [21] Bowen, A. D., Ware, J., Pontbriand, C., Yoerger, D. R., & German, C. R. (2016). Nereus, a full-ocean depth, hybrid remotely operated vehicle. Oceanography, 29(1), 22-33. [22] Griffiths, G., Webb, A., Furlong, M., Pebody, M., & Pillinger, R. (2019). Autosub Long Range: A long endurance autonomous underwater vehicle for science missions under ice shelves. Journal of Field Robotics, 36(1), 18-36. [23] Stoltenberg, C., Utne, I. B., & Sørensen, A. J. (2019). Risk assessment of subsea pipeline inspection using autonomous underwater vehicles. Reliability Engineering & System Safety, 185, 35-49. [24] Manley, R. E., Willcox, S., & Fox, C. G. (2014). Wave glider: A persistent platform for oceanographic research and monitoring. Sea Technology, 55(8), 10-15. [25] Worm, B., Hilborn, R., Baum, J. K., Branch, T. A., Collie, J. S., Costello, C., ... & Myers, R. A. (2009). Rebuilding global fisheries. Science, 325(5940), 578-585. [26] FAO. (2022). The State of World Fisheries and Aquaculture 2022. Towards Blue Transformation. Rome. [27] Ye, Y., Sugiyama, G., & Satoh, S. (2021). Deep learning for fisheries stock assessment: A review. Fisheries Oceanography, 30(1), 3-18. [28] Kroodsma, D. A., Mayorga, J., Hochberg, T., Miller, N. A., Fitzgerald, D. B., Woods, P., ... & Boersma, P. (2018). Tracking the global footprint of fisheries. Science, 359(6378), 904-908. [29] Valavanis, V. D., Georgakarakos, S., Kapantagakis, A., Williamson, J., & Groom, G. (2004). Artificial neural network models in fisheries management: a review. Aquatic Living Resources, 17(1), 73-79. [30] SINTEF. (n.d.). BlueFarm - Digitalisation of aquaculture. Retrieved from https://www.sintef.no/en/projects/bluefarm-digitalisation-of-aquaculture/ [31] OceanMind. (n.d.). How We Work. Retrieved from https://oceanmind.global/how-we-work/ [32] NTT Communications. (2019). NTT Com Starts Field Trial of "Fish Analyzer" AI-powered Fish Stock Assessment Technology. Retrieved from https://www.ntt.com/en/about-us/press-releases/news/article/2019/0926.html [33] IPCC. (2021). Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press. [34] Beaumont, N. J., Davies, I. P., & Somerfield, P. J. (2020). Advances in marine ecosystem modelling for integrated ecosystem assessments. ICES Journal of Marine Science, 77(3), 841-854. [35] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. [36] Cheung, W. W. L., Watson, R., & Pauly, D. (2013). Signature of ocean warming in global fisheries catch. Nature, 497(7449), 365-368. [37] Maxwell, S. M., Hazen, E. L., Lewison, R. L., Dunn, D. C., Bailey, H., Benson, S. R., ... & Crowder, L. B. (2016). Dynamic ocean management: Integrating real-time data with ocean zoning. Marine Policy, 65, 42-50. [38] IPCC. (n.d.). AR6 Synthesis Report: Climate Change 2023. Retrieved from https://www.ipcc.ch/report/ar6/syr/ [39] The Nature Conservancy. (n.d.). Marine Manager. Retrieved from https://www.nature.org/en-us/what-we-do/our-insights/perspectives/marine-manager-mapping-tool/ [40] University of Technology Sydney. (2018, June 27). LarvalBot deploys baby corals to restore Great Barrier Reef. Phys.org. Retrieved from https://phys.org/news/2018-06-larvalbot-deploys-baby-corals-great.html

공유하기
카카오로 공유하기
페이스북 공유하기
트위터로 공유하기
url 복사하기
조회수 : 477
heart
T
페이지 기반 대답
AI Chat